我喜欢在 R 中计算逻辑固定效应面板回归(条件最大似然)并获得预测值和/或平均边际效应。

我从生存包中找到了两个函数:bife 和 clogit

尽管如此，这些函数的结果不同，我想知道为什么以及如何修复它。 clogit 函数得到的结果与 Stata (xtlogit, fe) 中的结果相同，但我没有找到从中获得平均边际/部分效应的方法(解释如何这样做也可以解决我的问题)。在 bife 中，结果与 Stata 中的 clogit 和 xtlogit 的结果不同，有一个选项可以计算 PME (getAPEs)。

克洛 git :

clogit_output <- clogit(binary_variable~ x1 + x2 + x3 + strata(id), data = data) 

比夫:

bife_output <- bife(binary_variable ~ x1 + x2 + x3 | id, data = data, model = c("logit"))

我的结果是二进制的(0 或 1)，预测变量是虚拟变量和数字。我有一个不平衡的小组，有 10.000 名受访者 (id) 超过 12 年。我声明了面板结构:

data<- pdata.frame(data, index = c("id", "wave"))

clogit 中的结果是:

summary(clogit_output) 
        coef exp(coef)  se(coef)       z Pr(>|z|)
X1 -0.173637  0.840602  0.103450  -1.678  0.09326
X2 -0.467696  0.626444  0.115345  -4.055 5.02e-05
X3 0.743621  2.103538  0.035638  20.866  < 2e-16

对于比夫:

summary (bife_output)
    Estimate Std. error z value Pr(> |z|) 
X1 -0.2135333  0.1140698  -1.872   0.06121
X2 -0.5624223  0.1268271  -4.435  9.23e-06
X3 0.9150707  0.0399252  22.920   < 2e-16

到目前为止，我假设通过在 bife (bias_corr(bife_output)) 中使用纠错，我会得到与在 STATA 或 clogit 中相同的结果。然而，在我的例子中，纠错给出了错误:步减半失败。

最佳答案

clogit 和bife 结果的区别由incidental parameter problem 解释。 .

正如您自己已经发现的那样，bife::bias_corr(bife_output) 可以纠正这种偏差。您还可以使用 summary(bife::bias_corr(bife_output)) 来获取标准错误。

另请参阅我对 this newer question on Stack Overflow 的更详细回答.

https://stackoverflow.com/questions/60888086/